這場發布會上，不止一個語音助手值得關注

有人說，這是一個產品的時代，每一個企業對每一款產品的孵化都戰戰兢兢傾盡全力。還有人說，這是一個發布會的時代，不管產品如何，發布會的PPT要寫好，這也是核心競爭力。於是，一切向喬布斯看齊的努力都會被標為高亮，當然，笑話也是此起彼伏。

事實上，這個世界上，真正能夠改變現實的產品發布會屈指可數，如果蘋果的算一個，那麼你還有一個絕對不能錯過，那就是Google年度開發者大會——Google I / O。

GIF

2018年的Google I / O，帶給世人的驚喜一如既往的多，而且如通過圖靈測試的語音助手這樣的例子已經讓由AI所構建的版圖在逐漸清晰。當然，我們需要關注的，依然是Google在AI方面的探索在如何助推自動駕駛技術的前進，而主角自然是Waymo。結合一些之前的基礎信息，我們不難看出，Google和其他汽車或者科技公司不同，它更依賴AI和機器學習（Machine Learning）在幫助自動駕駛技術進階，這其實既符合Google的技術氣質，也在明晰這一領域未來的發展方向，畢竟，它是Google。

其實， Google早期的AI技術更擅長的領域是圖像搜索和語音識別方面。但是現在AI技術在自動駕駛領域的威力正在逐漸顯現。舉個例子：隨著深度學習的開始，Waymo的自動駕駛工程師與谷歌大腦（Google Brain）團隊並肩工作，將深度網路應用於行人檢測系統。即使在前期，其效果也非常顯著 ——幾個月內，Waymo將行人檢測的錯誤率降低100倍，從而使整體系統安全性逐步提高，對路試的保障更為充分。

到2018年，Waymo利用Google在AI方面的進步，已經在自動駕駛領域逐漸甩開其他對手。時至今日，Waymo是世界上唯一一家在公共道路上擁有真正自動駕駛車隊的公司，亞利桑那州鳳凰城參與這個項目的那些會員已經開始體驗這些全自動駕駛車隊的服務。

事實上，人工智慧幾乎在自動駕駛系統的每個部分都扮演著重要的角色。雖然「感知」是深度學習最成熟的領域，但Waymo也使用深度網路進行從預測到計劃再到繪製地圖和模擬的多項工作。通過機器學習，Waymo可以引導很多細微而複雜的情況：移動施工區域，為緊急車輛讓道，並為平行泊車的車輛讓出空間。

Waymo的自動駕駛汽車之所以能夠在如此複雜的情況下通過測試，是因為它使用很多不同的實例訓練了機器學習模型。而Waymo現在已經在公共道路上行駛了600萬英里，並且觀測到車輛、行人和騎行者之間數以億計的互動場景，這一切都為Waymo的機器學習提供了豐厚的數據來源。

上面說到的當然是Google最為擅長的數據和演算法，那麼，演算法之外呢？要讓自動駕駛車輛在公開道路上通過測試並能夠迅速複製到更多的城市，需要的不僅僅是好的演算法。基礎設施在訓練和測試機器學習模型方面同樣起著關鍵作用。在Waymo，TensorFlow生態系統和Google的數據中心，包括TPU（Tensor Processing Unit）被作為主要的工具來訓練神經網路。

對TPU的充分利用，使Waymo可以將網路訓練的效率提高達15倍。同時，模擬環境測試也被引入到機器學習模型的測試中。在模擬環境中，Waymo所獲得的數據相當於每天駕駛大概25,000輛汽車。有了這個強大的培訓和測試閉環，機器學習的模型得以迅速進階，並可以更快速在自動駕駛車輛上部署最新的網路。

自動駕駛汽車的工作環境是全天候的，在任何交通狀況下，任何天氣條件下，都必須能夠通過測試。在大雨或下雪的情況下駕駛汽車對人和機器來說都同樣是艱巨的任務，部分原因當然是因為能見度有限。而對自動駕駛汽車來說，更大的困擾來自於雨滴和雪花可能會在感測器數據中產生很多噪音，而這種噪音對於道路環境的檢測和判斷都是較大的障礙。機器學習系統有助於我們濾除噪音並正確識別行人及其他車輛。事實上，在實際道路或者模擬環境中遭遇的每一次失敗和困難，都為機器學習的不斷進階提供了翻越障礙的數據基礎。

從現在的情況來看，藉助Google強大的技術背景，Waymo幾乎是最為接近自動駕駛未來願景的公司，與Google AI的緊密合作以及藉助強大的基礎設施，也許能讓Waymo在現在看似一團亂麻的技術環境中更快找到突圍的路徑。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！